Nghiên cứu phân loại độ tuổi của người bằng hình ảnh sử dụng mạng nơ ron tích chập (Luận văn thạc sĩ)

Nghiên cứu phân loại độ tuổi của người bằng hình ảnh sử dụng mạng nơ ron tích chập (Luận văn thạc sĩ)Nghiên cứu phân loại độ tuổi của người bằng hình ảnh sử dụng mạng nơ ron tích chập (Luận văn thạc sĩ)Nghiên cứu phân loại độ tuổi của người bằng hình ảnh sử dụng mạng nơ ron tích chập (Luận văn thạc sĩ)Nghiên cứu phân loại độ tuổi của người bằng hình ảnh sử dụng mạng nơ ron tích chập (Luận văn thạc sĩ)Nghiên cứu phân loại độ tuổi của người bằng hình ảnh sử dụng mạng nơ ron tích chập (Luận văn thạc sĩ)Nghiên cứu phân loại độ tuổi của người bằng hình ảnh sử dụng mạng nơ ron tích chập (Luận văn thạc sĩ)Nghiên cứu phân loại độ tuổi của người bằng hình ảnh sử dụng mạng nơ ron tích chập (Luận văn thạc sĩ)Nghiên cứu phân loại độ tuổi của người bằng hình ảnh sử dụng mạng nơ ron tích chập (Luận văn thạc sĩ)Nghiên cứu phân loại độ tuổi của người bằng hình ảnh sử dụng mạng nơ ron tích chập (Luận văn thạc sĩ)Nghiên cứu phân loại độ tuổi của người bằng hình ảnh sử dụng mạng nơ ron tích chập (Luận văn thạc sĩ)Nghiên cứu phân loại độ tuổi của người bằng hình ảnh sử dụng mạng nơ ron tích chập (Luận văn thạc sĩ)Nghiên cứu phân loại độ tuổi của người bằng hình ảnh sử dụng mạng nơ ron tích chập (Luận văn thạc sĩ)Nghiên cứu phân loại độ tuổi của người bằng hình ảnh sử dụng mạng nơ ron tích chập (Luận văn thạc sĩ)Nghiên cứu phân loại độ tuổi của người bằng hình ảnh sử dụng mạng nơ ron tích chập (Luận văn thạc sĩ)

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - SOULINSOMPHOU OUPALA NGHIÊN CỨU PHÂN LOẠI ĐỘ TUỔI CỦA NGƯỜI BẰNG HÌNH ẢNH SỬ DỤNG MẠNG NƠ RON TÍCH CHẬP LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) Hà Nội-Năm 2020 HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - SOULINSOMPHOU OUPALA NGHIÊN CỨU PHÂN LOẠI ĐỘ TUỔI CỦA NGƯỜI BẰNG HÌNH ẢNH SỬ DỤNG MẠNG NƠ RON TÍCH CHẬP CHUYÊN NGÀNH: KHOA HỌC MÁY TÍNH MÃ SỐ: 8.48.01.04 LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) NGƯỜI HƯỚNG DẪN KHOA HỌC TS NGUYỄN ĐÌNH HĨA Hà Nội-Năm 2020 LỜI CAM ĐOAN Tôi cam đoan nghiên cứu phân loại độ tuổi người hình ảnh sử dụng mạng nơ ron tích chập cơng trình nghiên cứu riêng tơi chưa nộp khóa luận, luận văn hay luận án Học viện Cơng Nghệ Bưu Chính Viễn Thơng trường đại học khác Những tơi viết không chép từ tài liệu, không sử dụng kết người khác mà không trích dẫn cụ thể Nếu sai tơi hồn tồn chịu trách nhiệm theo quy định Học viện Công Nghệ Bưu Chính Viễn Thơng Tác giả luận văn SOULINSOMPHOU OUPALA LỜI CẢM ƠN Học viên xin chân thành cảm ơn Thầy Cô Khoa Đào tạo Sau Đại học Khoa Công nghệ thông tin 1, Học Viện Cơng Nghệ Bưu Chính Viễn Thơng tạo điều kiện thuận lợi cho học viên trình học tập nghiên cứu Học viên đặc biệt xin chân thành cảm ơn TS Nguyễn Đình Hóa người trực tiếp tận tình hướng dẫn học viên hồn thành luận văn Trong trình nghiên cứu thực đề tài với tâm cao hạn chế kinh nghiệm kiến thức vốn tiếng việt chưa phong phú nên luận văn em chắn khơng tránh khỏi thiếu xót Em mong nhận ý kiến đóng góp từ quý Thầy Cơ bạn để đề tài hồn thiện Học viên xin chân thành cảm ơn bạn bè sát cánh giúp học viên có kết ngày hôm Xin chân thành cảm ơn! Tác giả luận văn SOULINSOMPHOU OUPALA MỤC LỤC DANH MỤC CÁC TỪ VIẾT TẮT Từ viết tắt Tiếng Anh Tiếng Việt AI Artificial Intelegent Trí tuệ nhân tạo CNN Convolutional Neural Network Mạng nơ ron tích chập CNTT Information Technology Công nghệ thông tin Conv Convolutional layer Lớp tích chập DL Deep Learning Học sâu IMFDB Indian Movies Face Database Bộ liệu ảnh khuôn mặt phim ấn độ Lr Learning rate Chỉ số học ML Machine Learning Học máy OCR Optical Character Recognition Nhận dạng ký tự quang học DANH MỤC CÁC BẢNG DANH MỤC CÁC HÌNH MỞ ĐẦU Với phát triển phần cứng mạnh mẽ cho phép tính tốn song song hàng tỉ phép tính, tạo tiền đề cho Mạng nơ-ron tích chập trở nên phổ biến đóng vai trị quan trọng phát triển trí tuệ nhân tạo nói chung xử lý ảnh nói riêng Một ứng dụng quan trọng mạng nơ-ron tích chập cho phép máy tính có khả “nhìn” “phân tích” hình ảnh Phân tích đặc điểm khn mặt người ln chủ đề quan tâm chủ yếu tính ứng dụng Hiện kỹ thuật Deep Learning kỹ thuật hiệu giúp phân tích đặc điểm dựa khn mặt người Trong tuổi tác giới tính, hai số đặc điểm quan trọng, đóng vai trị tương tác xã hội Mặc dù vai trò mà thuộc tính đóng góp sống hàng ngày, song khả tự động ước tính độ tuổi xác đáng tin cậy từ hình ảnh khuôn mặt người chưa đáp ứng nhu cầu ứng dụng thương mại Phần lớn doanh nghiệp gặp vấn đề chung khơng tìm đáp án cho câu hỏi: Làm để theo dõi hành vi khách hàng theo độ tuổi? Từ việc ước tính độ tuổi từ hình ảnh khn mặt người nhiệm vụ quan trọng ứng dụng thông minh, kiểm soát truy cập, tương tác người với máy tính, thực thi pháp luật, trí thơng minh tiếp thị giám sát trực quan Trong luận văn em đề xuất xây dựng mơ hình kiến trúc mạng nơ-ron tích chập để phân lớp liệu hình ảnh mặt người để dự đốn độ tuổi người Dựa vào thực trạng kết hợp với kỹ thuật khai phá liệu học hỏi nghiên cứu để đưa đề tài “Nghiên cứu phân loại độ tuổi người ảnh mặt người sử dụng mạng nơ ron tích chập” Nội dung Luận văn xây dựng thành chương sau: 10 Chương Giới thiệu Tổng quan Bài toán phân loại độ tuổi người hình ảnh, bao gồm tổng quan về toán phân loại ảnh mặt người, nghiện cứu liên quan số ứng dụng thực tế toán phân loại độ tuổi ảnh mặt người Chương trình bày hướng tiếp cận giải toán theo phương pháp học máy học sâu, đưa ưu nhược điểm phương pháp Từ sở lý thuyết xác định rõ hướng giải luận án Chương Phân loại độ tuổi người hình ảnh sử dụng mạng nơ ron tích chập Trên sở xác định hướng giải luận án Chương 1, Chương giới thiệu mạng nơ ron tích chập kiến trúc mạng phương pháp học sâu Chương trình bày kỹ thuật tiền xử lý liệu đầu vào việc xây dựng mơ hình huấn luyện cho toán Chương Cài đặt thử nghiệm Chương giới thiệu liệu sử dụng tốn, mơi trường thực áp dụng mơ hình tốt xây dựng chương vào liệu đánh giá kết phân loại độ tuổi 62 Trong hàm sinh liệu bao gồm nhiều tham số để thao tác với liệu chúng ta, thực phép quay hình ảnh với số “rotation_rage” 30 tương đương với quay với góc 30 độ, phép dịch chiều ngang “width_shift” 20% phép dịch chiều dọc “height_shift” 20% • Cân trọng số: Chúng ta khai báo biến “weights” để lưu giá trị trọng số nhãn mà thay đổi: Bước định nghĩa biến hàm sử dụng trình huấn luyện, bao gồm biến số vòng chạy huấn luyện mơ hình số batch, hàm lỗi hàm tối ưu Đầu tiên khai báo biến: “epoch_num” : Số vịng chạy mơ hình “batch_size” : Số lượng mẫu liệu batch Với số vòng chạy “epoch” khai báo với 30 vòng “batch_size” 64 63 Tiếp theo khai báo hai hàm sử dụng trình huấn luyện cách gọi hàm “compile()” với tham số hàm “loss” hàm lỗi mà sử dụng, “optimizer” hàm tối ưu “metrics” độ đo Trong mơ hình khai báo hàm lỗi “categorical_crossentropy”, với thuật toán tối ưu sử dụng “Adam” với tham số “lr” hay “learning rate” 0,0002, độ đo khai báo Accuracy độ xác mơ hình Trong thư viện keras thực q trình huấn luyện mơ hình phương thức “Fit()”, với tham số “x” liệu huấn luyện, “y” nhãn liệu huấn luyện, “batch size” số mẫu liệu batch, “epoch” số vịng huấn luyện mơ hình, “validation data” tập liệu kiểm thử “class weight” mảng giá trị trọng số thấy cụ thể sau: Thực huấn luyện mơ hình, trình huấn luyện minh họa với hình ảnh bên (Hình 2.34) 64 Hình 2.34 Quá trình huấn luyện mơ hình 2.6 Kết chương Trong chương II, Luận văn trình bày giới thiệu mạng nơ ron tích chập, cấu trúc mạng ứng dụng thực tế sử dụng mạng nơ ron tích chập Giới thiệu liệu sử dụng luận văn tiền xử lý liệu chuẩn bị cho mô hình mạng, sau xây dựng mơ hình mạng để giải toán phân loại độ tuổi người thực huấn luyện mơ hình Trong chương đánh giá kết huấn luyện kiểm chứng mơ hình 65 CHƯƠNG 3: CÀI ĐẶT VÀ THỬ NGHIỆM 3.1 Cài đặt môi trường thực huấn luyện thử nghiệm mạng nơ ron tích chập áp dụng liệu thực tế Trong q trình triển khai xây dựng mơ hình luận văn áp dụng giải pháp phần mềm sau: Ngơn ngữ lập trình Python Python ngơn ngữ lập trình phổ biến cho nghiên cứu phát triển lĩnh vực học máy học sâu Python có nhiều thư viện hỗ trợ việc tính tốn số học, xử lý liệu, xử lý hình ảnh, dễ dàng triển khai thuật tốn xây dựng mơ hình học máy Trong luận văng ta sử dụng ngôn ngữ lập trình Python với phiên Python 3.x cụ thể phiên 3.6.1 Cơng cụ mơi trường tích hợp mã nguồn Python sử dụng Jupyter Notebook Jupyter Notebook mơi trường tính tốn tương tác dựa web để tạo tài liệu sổ ghi chép Jupyter Nó hỗ trợ số ngơn ngữ Python (IPython), Julia, R, v.v phần lớn sử dụng để phân tích liệu, trực quan hóa liệu tính tốn tương tác, khám phá Các thư viện hỗ trợ Python: - Keras: Framework mã nguồn mở hỗ trợ xây dựng thuật toán học máy học sâu tảng ngôn ngữ Python Đặc biệt tập trung vào thử nghiệm với mơ hình mạng học sâu Thư viện đơn giản hóa việc thực mạng thần kinh Nó có chức tốt cho mơ hình - điện toán, đánh giá tập liệu, hiển thị biểu đồ nhiều Tensorflow: thư viện sử dụng phổ biến việc viết thuật toán học máy thực tính tốn mà u cầu chi phí tính tốn cao liên quan đến mạng nơ-ron 66 - Pandas: Một thư viện khoa học liệu mã nguồn mở Python mạnh mẽ, hỗ trợ việc thu thập liệu vào cấu trúc (data frame) rõ ràng, cung cấp phân - tích trực quan dễ dàng thao tác OpenCV: (Open Source Computer Vision Library) thư viện mã nguồn mở thị giác máy (computer vision) học máy Cung cấp nhiều tính - thao tác với liệu ảnh, xử lý ảnh Mathplotlib: thư viện hỗ trợ Python xây dựng riêng cho việc biểu diễn liệu tạo biểu đồ mạnh mẽ Có nhiều công cụ để tạo - nhãn, lưới, biểu tượng v.v Numpy: thư viện python sử dụng đặc biệt để tính tốn liệu khoa học phép tính tốn học cung cấp nhiều tính hữu ích cho phần thực phép tốn n-arrays ma trận Thư viện cung cấp khả vector hóa vận hành tốn định dạng - array NumPy, giúp cải thiện hiệu suất theo tốc độ tính tốn Scikit-learn: Là thư viện phần mềm miễn phí cho học máy, bao gồm thuật toán phân loại, hồi quy phân cụm khác Được coi thư viện tốt để làm việc với liệu phức tạp Ngồi ra, Scikitlearn sử dụng kết hợp với NumPy SciPy Mối trường cài đặt: 3.2 Máy tính hệ điều hành Windows 10 CPU Intel core i7 2680U 2.0GHz RAM GB SSD 256 GB Phương pháp đánh giá Để đánh giá hiệu suất toán phân loại văn sử dụng độ đo như: Accuracy, Precision, Recall, bảng Confusion matrix Được định nghĩa phần Để ước lượng độ đo này, dựa vào bảng sau: 67 Bảng 3.1 Bảng Confusion matrix Dự đoán Nhãn TN FP FN TP Một số tiêu chí mơ tả độ hiệu mơ hình phân loại bao gồm có: • Accuracy : Khả mơ hình phân loại dự báo xác, phân loại xác hay xác định nhãn lớp liệu cần phân loại Được tính cơng thức: • Precision : Được định nghĩa xác suất mà liệu phân loại là phân loại (độ xác lần dự đốn) Được tính tốn ước lượng sau: • Recall : Được định nghĩa xác suất mà liệu với nhãn phân loại (độ xác dự đốn cho nhãn) Được tính tốn ước lượng sau: 3.3 Đánh giá kết Từ kết trình huấn luyện trên, thực kiểm chứng mơ hình sau huấn luyện với liệu kiểm chứng chuẩn bị trước sau: 68 Kết nhận được thể đây: Từ kết kiểm chứng với số đánh giá độ xác phân lớp mơ hình nhận mức tương đương 86.37% với liệu kiểm chứng Chúng ta xem xét với độ đo khác Precision Recall từ kết đây: Hình 3.1 Kết kiểm chứng mơ hình Kết nhận từ ba độ đo thể bảng sau: Bảng 3.2 Kết phân loại mơ hình Nhãn Middle Old Young Trung bình Precision 0.92 0.78 0.82 0.84 Recall 0.84 0.82 0.91 0.86 69 Với số đo độ Precision cho thấy liệu kiểm chứng 84% liệu phân loại nhãn Độ đo Recall cho thấy mẫu liệu có nhãn phân loại phân loại nhãn với xác suất 86% Để đánh giá mơ hình cụ thể xem kết phân loại nhãn, xem mơ hình có tỷ lệ phân nhãn nhãn với độ xác cách sinh bảng Confusion matrix đây: Bảng 3.3 Confusion matrix Dự đoán Middle Old Young Middle 1346 73 178 Old 49 305 20 Young 73 13 921 Nhãn Bảng 3.3 ma trận phân tích độ xác dự đốn nhãn sau chạy mơ hình Chúng ta nhận xét thấy có số mẫu liệu phân loại sai đặc biệt với mẫu có nhãn phân loại “Middle” thường nhận dạng sai sang Young nhiều so với “Old”, ngược lại mẫu có nhãn phân loại “Young” nhận dạng sai nhiều sang mẫu có nhãn “Middle” so với nhãn “Old”.Ở thấy lý xảy lỗi phần hai độ tuổi gần nhau, mức tuổi gần sát với nhau, nhãn phân loại “Young” phân loại cho người có độ tuổi từ 13 đến 30, cịn với nhãn “Middle” người có mức tuổi từ 31 đến 50 Do làm cho có tương tự người có mức tuổi gần 29, 30 với 31 tuổi Một nguyên nhân việc dự đoán sai nhãn bắt nguồn từ liệu ảnh đầu vào Các ảnh mặt người liệu IMFDB chưa thực rõ ràng để nhận độ tuổi xác người 70 hình ảnh dù người Có thể nhận thấy điều với ví dụ sau (Hình 3.2): Hình 3.2 Ví dụ hình ảnh có độ tuổi trẻ “Young” (trái) ảnh có độ tuổi trung bình (Phải) Từ bảng thấy kết phân loại đúng, sai nhãn bảng 3.4 đây: Bảng 3.4 Kết phân loại theo nhãn Nhãn loại phân Middle Old Young Phân loại Phân loại sai Tổng số mẫu 1346 305 921 251 69 86 1597 374 1007 Tại lớp có nhãn phân loại độ tuổi “Old” mơ hình phân loại 305 mẫu tất 374 mẫu, tương đương với 81.55% Với lớp có nhãn phân loại Middle, mơ hình phân loại 1346 mẫu tổng số 1597 mẫu, chiếm 84,28% Tương tự, xác suất phân loại mẫu xác nhãn “Young” 91,46% Nhận xét: Với kết đạt từ mơ hình cho thấy độ xác phân loại mơ hình tương đối ổn định chưa đạt kết tốt nhất, độ xác phân lớp nhãn độ tuổi già (Old) có độ xác tương đối thấp so 71 với lớp khác Từ tơi nhận thấy hai vấn đề chưa giải đo toán là: Vấn đề xử lý liệu cân bằng, số tổng số mẫu liệu mang nhãn độ tuổi già chiếm 12% tất liệu Vấn đề thứ hai mô hình phân loại, chưa xây dựng mơ hình tốt để thực tốn phân loại độ tuổi với liệu này, hạn chế tài ngun máy tính nên khơng khả xử lý mơ hình mơ hình với độ phức tạp cao với số tham số mơ hình cao 3.4 Kết chương Trong chương này, tơi trình bày mơi trường cài đặt, ngơn ngữ lập trình thư viện hỗ trợ sử dụng đưa kết quả, phương pháp phân tích đánh giá mơ hình từ đánh giá kết đạt Ngồi ra, tơi đưa vấn đề ảnh hưởng đến độ xác mơ hình huấn luyện, từ cải thiện độ xác mơ hình nghiên cứu sau tốt 72 KẾT LUẬN Trong luận văn này, đề xuất mơ hình học sâu sử dụng mạng CNN để nhận diện độ tuổi người dựa vào hình ảnh khn mặt Mơ hình cho phép sử dụng số lượng nhỏ tham số đạt hiệu suất 86% Trong tương lai gần, có kế hoạch cải thiện độ xác mơ hình, đặc biệt ước lượng độ tuổi cách thử áp dụng liệu tự thu thập giải vấn đề nhận dạng thời gian thực Mặt khác, áp dụng mô hình tơi cho tốn khác lĩnh vực thị giác máy tính học sâu Những kết hoạt động luận văn: Trong phạm vi luận văn , Tơi tìm hiểu hai phương pháp tiếp cận để giải toán phân loại độ tuổi dựa vào ảnh mặt người, phương pháp học sâu phương pháp học máy truyền thống Từ đó, lựa chọn phương pháp học sâu để giải toán phân loại độ tuổi Tiếp theo, sâu vào tìm hiểu nghiên cứu mơ hình mạng phổ biến học sâu – mạng nơ ron tích chập bao gồm thành phần, kiến trúc mơ hình mạng, chức ứng dụng thực tế Cuối thực xây dụng mơ hình mạng nơ ron tích chập cho tốn phân loại độ tuổi người hình ảnh Trong thực huấn luyện, điều chỉnh thơng số mạng áp dụng kỹ thuật để đạt khả dự đoán độ tuổi với độ xác 86% Luận văn cịn số vấn đề tiếp tục phát triển Do thời gian, kinh nghiệm, hạn chế ngôn ngữ nên không tránh khỏi sai sót, kính mong thơng cảm Thầy Cô, Nhà khoa học Định hướng phát triển luận văn Hướng nghiên cứu luận văn tập trung vào phần xây dựng mơ hình mạng phân loại độ tuổi người với độ xác cao hơn, sử dụng mơ hình áp dụng nhiều tầng tích chập theo kiến trúc mạng VGGNet để phân tích 73 đặc trưng chi tiết Thử nghiệp áp dụng kỹ thuật over-sampling vào liệu với nhãn phân loại già ”Old”, để tăng thêm độ cân liệu Hà nội, tháng năm 2020 74 DANH MỤC CÁC TÀI LIỆU THAM KHẢO Tiếng Việt [1] Phùng Thị Thu Trang, Ma Thị Hồng Thu, (2019), Một mơ hình Deep learning nhẹ cho tốn nhận dạng tuổi giới tính sử dụng mạng CNN, Khoa ngoại ngũ – ĐH Thái Nguyên, ĐH Tân Trào Tiếng Anh [2] Adit Deshpande Engineering at Forward, A Beginner's Guide To Understanding Convolutional Neural Networks, UCLA CS '19 [3] Andrej Karpathy, CS231n Convolutional Neural Networks for Visual Recognition - Image Classification http://cs231n.github.io/classification/ [4] N Ramanathan and R Chellappa, (2006), “Modeling age progression in young faces”, in Computer Vision and Pattern Recognition, 2006 IEEE Computer Society Conference on, vol.1 IEEE, pp 387–394 [5] Tales Lima Fonseca,( Nov 3, 2017 ), What’s happening inside the Convolutional Neural Network? The answer is Convolution, https://buzzrobot.com/whats-happening-inside-the-convolutional-neuralnetwork-the-answer-is-convolution-2c22075dc68d [6] Shankar Setty, Moula Husain, Parisa Beham, Jyothi Gudavalli, Menaka Kandasamy, Radhesyam Vaddi, Vidyagouri Hemadri, J C Karure, Raja Raju, Rajan, Vijay Kumar and C V Jawahar "Indian Movie Face Database: A Benchmark for Face Recognition Under Wide Variations" [7] L.Zhu, K.Wang, L.Lin, and L.Zhang, (2016), “Learning a light weight deep convolutional network for joint age and gender recognition”,Pattern Recognition 3282–3287 (ICPR), 2016 23rd International Conference on IEEE, pp 75 Trang web [8] https://dlapplications.github.io/2018-07-06-CNN/, truy cập ngày 23/04/2020 [9] https://www.analyticsvidhya.com/blog/2017/06/hands-on-with-deep-learning- solution-for-age-detection-practice-problem/?utm_source=practice-problemage-detection&utm_medium=Datahack, FAIZAN SHAIKH, ( JUNE 27, 2017 ), Hands on with Deep Learning – Solution for Age Detection Practice Problem, truy cập ngày 25/04/2020 [10] https://towardsdatascience.com/a-comprehensive-guide-to-convolutional- neural-networks-the-eli5-way-3bd2b1164a53 , truy câjp ngày 29/06/2020 [11] https://www.freecodecamp.org/news/an-intuitive-guide-to-convolutional- neural-networks-260c2de0a050/ , truy câjp ngày 29/06/2020 [12] https://towardsdatascience.com/activation-functions-neural-networks- 1cbd9f8d91d6 , truy câjp ngày 29/06/2020 [13] https://techblog.vn/dropout-trong-neural-network , truy câjp ngày 30/06/2020 [14] https://topdev.vn/blog/ung-dung-convolutional-neural-network-trong-bai- toan-phan-loai-anh/ , truy cập ngày 30/06/2020 [15] http://cvit.iiit.ac.in/projects/IMFDB/ , truy cập ngày 30/06/2020 [16] https://forum.machinelearningcoban.com/t/tong-hop-data-augmentation- trong-thi-giac-may-update-22-06-2019/5323 , truy cập ngày 30/06/2020 [17] https://quantrimang.com/su-khac-biet-giua-ai-hoc-may-va-hoc-sau-157948, truy cập ngày 30/06/2020 76 ... pháp học sâu sử dụng mạng nơ ron tích chập CNN 18 CHƯƠNG 2: PHÂN LOẠI ĐỘ TUỔI CỦA NGƯỜI BẰNG HÌNH ẢNH SỬ DỤNG MẠNG NƠ RON TÍCH CHẬP 2.1 Giới thiệu mạng nơ ron tích chập CNN mơ hình DL tiên tiến... liệu sử dụng để huấn luyện mơ hình Đối với toán sử dụng mơ hình mạng nơ ron tích chập CNN để phân loại độ tuổi hình ảnh với tập liệu dã giới thiệu mục Cấu trúc mơ hình mạng nơ ron tích chập sử dụng. .. OUPALA NGHIÊN CỨU PHÂN LOẠI ĐỘ TUỔI CỦA NGƯỜI BẰNG HÌNH ẢNH SỬ DỤNG MẠNG NƠ RON TÍCH CHẬP CHUYÊN NGÀNH: KHOA HỌC MÁY TÍNH MÃ SỐ: 8.48.01.04 LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) NGƯỜI